前言：中文期刊网精心挑选了网络安全与人工智能范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
网络安全与人工智能范文1
关键词：人工智能；计算机网络技术；应用探究
关于人工智能技术，通过各领域的发展与应用逐步进入人们的视线，当下人工智能已经在市场上得到充分应用，该技术带给人类社会生活以一个全新的生活体验，教会人们如何正确利用计算机网络技术处理生活中的一些事情。人工智能技术以人性化、智能化为出发点，利用计算机网络技术的智能化运算，可以帮助人们完成一些程序较为繁琐、多重复性的计算工作。例如财务会计领域中的财务数据计算工作，利用人工智能技术可以高效、准确地计算出财务数据，在很大程度上帮助财务人员减轻工作负担。生活中的人工智能系统同样给着人类社会全新的体验。于此同时，人工智能在我国工业领域、计算机网络技术领域中都已经得到了广泛的应用，并已经受到了来自社会上多个领域的好评。人工智能一直以来都在计算机网络技术领域有着颇深的造诣，它在计算机网络技术中的具体应用一直以来都受到了来自各界的关注。
1人工智能的概念
人工智能这个词汇在当今时代背景下已经成为了一个常见词汇，该技术的出现给人类社会带来的作用是显然可见的。那么什么是人工智能呢？人工智能（ArtificialIntelligence），英文缩写为AI，是集研究开发模拟人类行为以及思考能力的一种科学技术，该技术主要以研究人类具体行为为依据，对计算机进行编程，利用计算机网络技术来实现模仿人的行为、人的思维、人的语言交流能力、人的思考问题的能力等等。新时代背景下，以计算机网络技术为基础实现的人工智能在拥有人类智慧的同时还将具备计算机网络的强大计算能力和执行能力，与人类不同的是，人工智能在使用过程中并不会出现对饮食和睡眠的需求，强大的计算机执行程序使得他们可以长时间按照计算机指令去执行重复的工作。自人工智能诞生以来，伴随着计算机网络技术的不断成熟，人工智能理念与技术都在不断进步，人工智能所应用到的领域也在不断扩大。但需要意识到的是在研究人工智能的过程中，必须始终坚着最初的发展理念，坚持以造福人类社会为研究目的，明确人工智并不是人的智能，而是利用高新技术创造出可以像人类一样思考的智能。就目前的发展而言，人工智能在自我思考这一模块还缺乏一定的理论性与创造性。相信不久之后人工智能技术将会发展的更加成熟，给人类社会的发展带来更多的便利。
2人工智能在计算机网络技术中应用的可行性分析
人工智能之所以能够被应用到计算机网络技术领域中，其根本原因在于人工智能具有高度的可行性。它自身具有的独特特点，使得其可以在运行过程中弥补计算机网络技术中存在的一些不足和缓解计算机网络技术存在的局限性问题。首先，人工智能能够从真正意义上实现对计算机网络中的一些不确定信息的高效处理，该处理模式更加符合实际情境中的根本需求，使得应用结果较为理想。一旦计算机网络系统因为一些原因系统资源发生变化时，单一依靠计算机网络技术很难找到有效的信息，进而获取到准确的信息数据。但是依靠人工智能就可以解决计算机网络技术中存在的缺陷，当系统资源发生变化时，利用人工智能可以在短时间内完成对系统资源的掌握和跟踪任务，进而获取到相关的系统数据信息，根据查询到的信息的详细程度，复原发生变化的系统资源，给客户提供更具有时效性和真实性的信息化数据。人工智能具备的另一特性是协作能力，这一能力的开发使得人工智能在信息整合处理环节将一些工作中相对其他信息较为有效的信息筛选出来，进而实现信息共享，完成信息传输工作，这将会在很大程度上提高日常工作效率。给以人类社会以更好的服务体验，这种高效的协作能力正是当今时代背景所需要的。人工智能主要以模仿人的思维能力和行为能力为创作源头，在制作过程中我们对人工智能的要求往往是非常高的，这种情况之下使得当今时代背景之下的人工智能已经具备了特别强大的学习能力与运算能力，这使得人工智能在计算机网络技术中可以得到更好的应用，在计算机网络技术中引入人工智能，可以在很大程度上提高计算机网络程序的推算能力，加强计算机网络技术中信息处理的效率。人工智能具备了强大的处理问题的能力，这一能力的出现将会给计算机网络技术的发展带来很大的促进作用。在日常网络运营过程中，要想构建一个安全的用网环境，就必须做好系统的安全防护工作。人工智能可以在实现提高网络管理工作高效性的同时，还能够有效地检测好各个网络环节中的资源应用的安全性，做好系统安全管理工作，使得计算机网络在保证安全环境的同时提高网络管理工作的工作质量，这对计算机技术有着很高的要求标准。
3人工智能在计算机网络技术中的具体应用
3.1人工智能在计算机网络安全方面的应用
3.1.1在智能防火墙中的应用目前，人工智能在计算机网络安全方面得到了很好的应用，同传统的计算机网络安全防火墙相比利用人工智能所形成的智能防火墙在网络安全维护工作方面上能够更好地发挥其智能防护作用。智能防火墙也具备着更高的安检效率。利用人工智能，我们可以在智能计算机防火墙的设置中增设智能识别技术，这一技术可以更高效率地识别出系统内部的一些数据，进而做好网络安全防护作用，防止病毒的传播。
3.1.2入侵检测的应用作用计算机网络所处的环境是一个复杂性偏高的环境，入侵检测往往是计算机网络安全防护工作的重要组成部分。之所以要提出入侵检测这一安全防护环节，其目的是为了检测一些进入网络系统的信息是否安全，营造一个安全的网络运行环境。人工智能能够强化计算机网络系统的入侵检测技术，在检测入侵的过程中，能够自动对系统内部的进行进行筛选、检测，并及时形成分析完善的入侵检测报告。
3.2人工智能在计算机网络系统管理及评价中的应用
3.2.1人工智能问题求解技术人工智能问题求解技术的出现可以更好地帮助计算机网络做好系统管理和评价工作，从根本上改变传统计算机网络技术中存在的一些不足，进而提高网络资源的管理效率，增强网络资源的利用率。在这一环节，智能求解技术可以帮助计算机网络技术实现自动搜索、分析、求解操作，提高计算机网络的搜索效率与搜索信息的准确度。能够从多种同类信息中筛选出更加精确的信息，进而辅助用户选择出最优解。
3.2.2专家知识库技术专家知识库技术的出现主要是利用现代化人工智能与互联网技术，将传统的计算机网络系统管理和评价经验进行数据更新化处理，并重新进行网络编码、建立全新的数据库，为了使得数据库中的知识库能够更加专业化，需要同一些经验成熟的专业进行协商，进而获取到他们的支持，一同完成健全的计算机网络系统管理及评价工作的构建工作。
网络安全与人工智能范文2
【关键字】人工智能，计算机网络技术，措施手段
中图分类号：G623文献标识码： A
一、前言
人工智能手段在我国的很多的领域都有所涉及，人工智能的应用不仅仅方便了人们的生产生活，而且有助于我国各项科学技术的运行和发展。我们根据现今先进的人工智能的计算机网络应用模式进行了具体的分析和探讨，有如下的几点结论，希望有一定的借鉴作用：
二、人工智能
1.人工智能(Artificial Intelligence)简称AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能研究如何用计算机去模拟、延伸和扩展人的智能；如何把计算机用得更聪明，如何设计和建造具有高智能水平的计算机应用系统。人工智能是相对于人类智能而言的，它是采用人工的方法和技术来模拟、延伸和扩展人类智能行为的一门综合学科。随着计算机硬件和软件突飞猛进的发展、计算机速度的不断提高、存储容量的不断扩大、价格的不断降低以及网络技术的不断发展，许多原来无法完成的工作现在已经能够实现，AI具备了更多的现实应用的基础，AI研究出现了新的。目前人工智能研究的3个热点是：智能接口、数据挖掘、主体及多主体系统。
2.智能接口技术是研究如何使人们能够方便自然地与计算机交流。数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。主体是具有信念、愿望、意图、能力、选择、承诺等心智状态的实体，比对象的粒度更大，智能性更高，而且具有一定自主性。下一步就是模仿人类右脑的模糊处理功能和整个大脑的并行化处理功能。人工神经网络是未来人工智能应用的新领域，未来智能计算机的构成，可能就是作为主机的冯．诺依曼型机与作为智能的人工神经网络的结合。研究表明：情感是智能的一部分，而不是与智能相分离的，因此人工智能领域的下一个突破可能在于赋予计算机情感能力。情感能力对于计算机与人的自然交往至关重要。
3.在人工智能中，这样的领域包括语言处理、自动定理证明、智能数据检索系统、视觉系统、问题求解、人工智能方法和程序语言以及自动程序设计等。随着计算机网络的普及，特别是Internet的出现，各种计算机技术包括人工智能技术的广泛应用推动着人机关系的重大变化。据日美等国未来学家的预测，人机关系正在迅速地从“以人为纽带”的传统模式向“以机为纽带”的新模式转变。人机关系的这一转变将引起社会生产方式和生活方式的巨大变化，同时也向人工智能乃至整个信息技术提出了新的课题。这促使人工智能进入第三个发展时期。在这个新的发展时期中，人工智能面临一系列新的应用需求。
三、人工智能在网络技术中的应用。
1.人工智能在网络安全中的运用。互联网将千千万万的用户联系起来。极大地方便了人类的生活。目前，威胁用户个人资料安全的网络隐患层出不穷。如果能将人工智能技术运用到网络安全领域，将大大提高计算机网络性能，确保用户隐私得到充分的保护。人工智能具有处理不确定性以及不可知性的能力、协作能力、处理非线性能力、学习、解释以及推理能力等，这些能力均在网络安全领域得到了广泛的应用利用统训、记忆、概率以及决策等智能方法对数据进行甄别．达到访问控制目的的智能防火墙技术以及利用基于专家系统、人工神经网络、模糊识别、自治面向对象技术等开发的入侵检测技术有效阻止了病毒的入侵．保障r资源的完整性、保密性和可用性。
2.人工智能Agent技术推动计算机网络信息服务水平的提高。人工智能Agent技术的全称为人工智能技术。通过每个Agent所有的知识域库处理新信息，并给予其解释推理机制对周围环境进行判断，当一个Agent获得一项任务．利用便捷的通讯网络，实现各个之间的相互沟通，共同完成任务。人工智能Agent技术具有自主性、学习型、协作性、个性化、智能化以及社会性等特征。该技术的运用使计算机能够自动执行由人所分配的工作，大大改善了计算机的使用方式。促进了计算机网络信息服务水平的提高。
3.软件方面，新的开发工具不断出现，使人工智能越来越方便地运用于各种领域。硬件方面，性能更好、价格更低的人工智能芯片，如模糊芯片、神经网络芯片甚至“知识芯片”将不断涌现，模糊计算机、神经计算机等新一代计算机将出现，以代替在该领域的数字计算机，这无疑又将给人工智能的实际应用带来彻底革命。人工智能与计算机图形学之间的相互结合和相互影响正在迅速地发展，新的智能自主图形角色开始普及到游戏、动画、多媒体、多用户虚拟世界、电子商务和其他基于web的活动领域。智能自主图形角色建模是多方面努力的成果，从底层的几何模型、物理模型，中间层的生物力学模型到高层的行为模型。
4.由于计算机芯片的微型化已接近极限。人们越来越寄希望于人工智能能够带动全新的计算机技术的发展。目前至少有三种技术有可能引发新的革命，他们是光子计算机、量子计算机和生物计算机。根据推测，未来光子计算机的运算速度可能比今天的超级计算机快1000到1万倍人工智能一直处于计算机技术的前沿，人工智能研究的理论和发现在很大程度上将决定计算机技术的发展方向。
四、“信息一系统一机制”方法论与人工智能的新进展
1.发现“智能生成的共性核心机制”和“人工智能的机制模拟方法”，在研究中体会到，虽然人类智能的定义相当复杂。但是依然可表述如下。智能所模拟的，实际上只是人类智能的“显性智能”。于是，可把这个方法称为“人工智能的机制模拟方法”，或简称为“机制模拟方法”。这是在新的方法论启迪下发现的人工智能模拟的新方法。
2.发现“知识的生态学结构”根据“以信息观、系统观、机制观为主要标志的复杂信息系统科学方法论”，发现了智能生成的共性核心机制是“信息一知识一智能转换”。
3.发现“机制模拟方法是人工智能的统一模拟方法”把人工智能的机制模拟方法“信息一知识一智能转换”与知识的生态学系统“经验知识一规范知识一常识知识转换”相结合，就发现：机制模拟方法可有四种具体的工作模式：
模式A：信息一经验知识一经验型智能策略转换(人工种经网络是它的特例)；
模式B：信息一规范知识一规范型智能策略转换(物理符号系统是它的特例)；
模式C：信息一常识知识一常识型智能策略转换(感知动作系统是它的特例)；
模式D：信息一奉能知识一本能型智能策略转换。
不难证明，基于结构模拟的人工神经网络方法就是机制模拟方法的模式A，它们都是利用经验知识生成经验型智能策略。基于功能模拟的物理符号系统方法就是机制模拟方法的模式B，它们都是利用规范知识生成规范型智能策略。把原先看不见的本质联系揭示出来，这就是先进方法论的威力。
五、结束语
综上所述，我国的人工智能的科学技术已经有了很大的突破和创新，科学技术与计算机网络在人工智能上的应用和发展是显而易见的。因此，相信只要在我国科学家的不断探索和研究下，会有更加广泛的人工智能的应用，我国的各个领域的生产生活也会更加的智能化和系统化。
参考文献：
[l]蔡自兴。徐光佑．人工智能及其应用．北京：清华大学出版社，2012.
[2]刘树玲．基于Internet的草坪病害诊断专家系统．华中农业大学．2013.
[3]廖桂平．棉花病虫草害诊断与防护专家系统．湖南农业大学．2012.
网络安全与人工智能范文3
关键词：大数据；计算机网络；人工智能；神经网络系统
中图分类号：TP393
文献标志码：A
0引言
近年来，大数据、云计算、AI、5G等许多新名词不断涌现，推动信息技术发展进入了新纪元。在金融科技的推动下，各大券商也相继开始了人工智能项目的研发，将券商业务与AI相融合，已经成为时下的一门热点话题。从现阶段部分证券公司推出的一些APP来看，人工智能主要在智能服务、量化交易、精准分析等方面，展现出了明显的优势。通过开展人工智能在证券领域的应用研究，目的在于人以大数据、物联网为依托，进一步提高“智慧证券”的成熟度，在为客户提供个性化服务，精准化预测等功能的基础上，探索大数据时代券商行业发展的新路径[1]。
1大数据与人工智能的关系
1.1人工智能是大数据技术应用的基础
大数据时代，数据的海量化特征，导致有效数据的筛选和提取难度增加。AI技术的应用，能够通过人工设置筛选条件的方式，以极高的速度对数据库中的数据进行过滤，其中符合筛选标准的数据会被留下来，存储在数据库的一个独立单元内，而其他不符合使用需求的，则被视为无效数据被清除。这样既可以释放更多的存储空间，同时也进一步提高了有效数据密度，为下一步数据的整合、利用奠定了基础。AI还具有自主学习功能，随着应用时间的延长，应用领域的扩展，智能化程度也会不断提升，在支持大数据技术应用方面也会发挥更大的作用。技术人员可以深化AI研究与开发，利用其强大的学习能力，在提升客户服务体验、增强券商风险防控能力上，发挥大数据技术的应用价值。
网络安全与人工智能范文4
关键词:支持向量机;网络安全;风险评估;统计学习理论
中图分类号:TP393.08文献标识码:A文章编号:1009-3044(2009)33-9380-02
Study on the Network Security Risk Evaluation SVM and ANN
GAO Shu-tao
(Hunan Foreign Economic Relations & Trade College, Changsha 410114, China)
Abstract: In this paper, SVM and ANN in the network security risk assessment carried out a comparative study of the application, first introduced the working principle of ANN, and then the two methods are respectively applied to the network security risk assessment, their assessment results were compared. The results showed that SVM training samples in a small classification accuracy rate, generalization ability and training, test speed, are superior to ANN, is a more superior risk-assessment methodologies.
Key words: support vector machine; network security; risk evaluation; statistical learning theory
近年来,网络安全逐渐成为人们关注的焦点,而网络安全的核心就是对网络系统进行风险评估[1]。风险评估是从风险管理角度出发,运用科学的方法和手段,系统地分析网络与信息系统所面临的威胁及其存在的脆弱性,评估安全事件一旦发生可能造成的危害程度,提出有针对性的抵御威胁的防护对策和整改措施,将风险控制在可接受的水平,从而最大限度地保障网络信息系统的安全。
1 风险评估中的ANN方法
ANN是人工智能方法的重要分支,是一门交叉学科,在许多领域得到了越来越广泛的应用[2]。ANN具有高度的非线性映射能力,强大的自学习、自适应能力和优良的联想记忆功能。ANN模型主要有:Adaline,BPNN,RBF网络以及Hopfield网络等,其中BPNN是最典型的ANN,本文的ANN采用BPNN。
1.1 BPNN的结构
BP神经网络学习算法,实现了多层网络设想,是目前最成熟、应用最广泛的ANN之一[3]。最基本的BPNN是一种二层前馈网络,它不仅含有输入层和输出层,而且含有一层或多层隐含层。本文用网络安全风险评估指标变量作为输入层,风险评估值作为输出层,则输入层含有12个节点,输出层含有一个节点,输入信号先向前传递到隐含层,经过处理后,再把隐含层的输出信息传递到输出层,最后得到输出结果。节点的激发函数一般选用Sigmoid型函数。BPNN算法的学习过程由正向传播和反向传播两个阶段。在正向传播过程中,输入信息从输入层经隐单元层逐层处理后,传至输出层。每一层神经元的状态只影响下一层神经元的状态。如果在输出层得不到期望输出,那么就转为反向传播,将实际值与网络输出之间的误差沿原来连接的通路返回,并通过修改各层神经元的连接权值,使误差减小,然后再转入正向传播过程,反复迭代,直到误差小于给定的值为止。
1.2 SVM与ANN的关系探讨
统计学习理论和SVM的发展与ANN有着密切联系[4],但目前尚没有针对SVM与ANN关系的权威性定论,这主要是因为对于输入输出关系模型的分析也没有统一的理论框架和认识。就如同计算智能与人工智能的关系一样,连接主义与符号主义似乎是它们间的明显区别,但从解决问题的本质上讲也难以给出清晰的界限。本文主要从以下几个角度对他们之间的关系做出简要分析探讨。
从统计学习的角度:两者具有相同的学习过程的统计性质,其实质都是在观测得到的训练样本集基础上,实现一组输入一一输出映射函数模型。SVM很好的实现了统计学习中的结构风险最小化(SRM)原则,ANN则应用经验风险最小化(ERM)原则,但在实际的ANN模型设计中,设计者已将SRM原则蕴含在经验或先验知识当中。另外,当SVM采用Sigmoid型核函数时就构成了一个两层的前馈网络。在此方面,更多学者认为可以将ANN如同SVM一样纳入到统计学习的背景之下统一考虑。
从连接主义的角度:与ANN中的多层前馈网络相比较,SVM也具有极为相似的组织结构;在某种意义上两者是等价的,由前面输入层到最后输出层的转换来完成测试任务;ANN作为连接主义的主要代表技术,更喜欢将SVM作为一种ANN模型来考虑,无非是一种隐层节点和中心向量由算法自动确定的多层前馈神经网络。但ANN技术还包括除多层前馈神经网络以外的自组织网络和反馈网络等结构模型,比SVM内容更丰富。
上述从不同的视角对SVM和ANN的关系进行了讨论,可以看出两者的基础和本质是一致的,都是基于样本数据,以连接为主要表现形式,来完成一个输入一一输出映射关系的学习模型;都是解决学习问题的技术方法。
2 SVM和ANN理论上的对比分析
SVM作为一种新近兴起的机器学习模型,将其与流行的ANN机器学习方法进行对比分析是十分必要的,对深入研究机器学习具有重要意义。同时,理论分析与实际应用效果是否相一致也应是重点研究内容。
2.1 维数灾难问题
SVM通过把处理约束最优化问题集中于其对偶问题,绕过了维数灾难的困难,其推广性与变换空间的维数无关,SVM通过引入核函数,将输入原空间映射到非常高维的特征空间实现线性可分。映射后的特征空间可以很高,但并不增加网络的复杂性。对于ANN而言,在少量样本、高维的数据环境下,很可能导致网络不收敛或训练误差很大,容易出现“欠学习”现象。
2.2 全局极值点问题
ANN中的误差反传算法一般都最小化一个二次损失函数,其基于最陡下降算法经常会出现多个局部极小点,有时还会出现平台。当输入向量X的维数N较大且网络的规模很大时,还可能出现更多的局部极小点和平台。SVM针对模式分类和非线性回归等不同的学习任务构造不同的目标函数;并且SVM对任何学习任务都提供一种独立于维数的控制模型复杂性的方法。SVM的训练算法包含一个二次规划问题,它能保证找到误差曲面的全局极值点,并且计算可以被有效执行。
网络安全与人工智能范文5
[关键词] 电子商务 人工智能 数据挖掘
电子商务的飞速发展给全球经济带来的冲击是巨大的。基于人工智能技术的电子商务将能更好地为其发展带来良好的基础，这一过程是电子商务向着良性发展的必然趋势。本文从人工智能技术与电子商务的国内外动态、人工智能技术在电子商务中的应用例子，以及数据挖掘技术在Web上的应用等几个方面对其进行论述。
一、电子商务与人工智能技术的国内外动态
1.省略域名22220个，BtoB电子商务市场广阔，远远未达到饱和状态，大量的服务和赢利渠道还处于空白状态。电子商务不仅是企业建网站，宣传企业产品及形象；也不是简单的网上购物。真正的电子商务应该是以internet为核心的信息技术进行商务活动和企业资源处理，说穿了就是信息流的高效管理、增值运用。商务中国在开发的每个栏目力求帮助企业在客户及供应商之间建立信息共享、高速流动，改变商贸传统运作方式，在不受时间、地域限制的虚拟商业网进行交易。
本世纪90年代以来，取得了显著效果的企业信息系统模式是外贸部门的edi系统、商业部门的商场信息系统以及制造业的mrpⅡ系统。这些系统的成功，主要是解决了过去手工作业的速度慢、效率低的问题。而国外在这一阶段比较成功的一些例子是制造业的cals系统、流通业的edi和金融业的电子商务系统。这些系统的最大的特点都是在于企业之间的协作。1996年，日本将三菱汽车、日本电装等汽车公司和部件公司联合起来，成立了“v-cals联合体”。它们的目标不仅是将新车的开发周期缩短一半，而且要将各种部件调拨活动的信息、cad设计信息、各种冲突、噪音试验信息等构成共享数据库，从而形成一个多企业的有机联合体。
2.人工智能技术的国内外动态
从1956年正式提出人工智能学科算起，40多年来，人工智能学科取得了长足的发展，成为一门广泛的交叉和前沿科学。总的说来，人工智能的目的就是让计算机这台机器能够像人一样思考。如果希望做出一台能够思考的机器，那就必须知道什么是思考，更进一步讲就是什么是智慧。什么样的机器才是智慧的呢？科学家已经作出了汽车，火车，飞机，收音机等等，它们模仿我们身体器官的功能，但是能不能模仿人类大脑的功能呢？到目前为止，我们也仅仅知道这个装在我们天灵盖里面的东西是由数十亿个神经细胞组成的器官，我们对这个东西知之甚少，模仿它或许是天下最困难的事情了。
当计算机出现后，人类开始真正有了一个可以模拟人类思维的工具，在以后的岁月中，无数科学家为这个目标努力着。现在人工智能已经不再是几个科学家的专利了，全世界几乎所有大学的计算机系都有人在研究这门学科，学习计算机的大学生也必须学习这样一门课程，在大家不懈的努力下，现在计算机似乎已经变得十分聪明了。例如，1997年5月，IBM公司研制的深蓝（Deep Blue）计算机战胜了国际象棋大师卡斯帕洛夫（Kasparov）。大家或许不会注意到，在一些地方计算机帮助人进行其它原来只属于人类的工作，计算机以它的高速和准确为人类发挥着他的作用。人工智能始终是计算机科学的前沿学科，计算机编程语言和其他计算机软件都因为有了人工智能的进展而得以存在。
在大多数学科中存在着几个不同的研究领域，每个领域都有其特有的感兴趣的研究课题、研究技术和术语。在人工智能中，这样的领域包括语言处理、自动定理证明、智能数据检索系统、视觉系统、问题求解、人工智能方法和程序语言以及自动程序设计等。在过去30多年中，已经建立了一些具有人工智能的计算机系统；例如，能够求解微分方程的，下棋的，设计分析集成电路的，合成人类自然语言的，检索情报的，诊断疾病以及控制太空飞行器和水下机器人的具有不同程度人工智能的计算机系统。
人工智能理论进入21世纪，正酝酿着新的突破――人工生命的提出，不仅意味着人类试图从传统的工程技术途径，而且将开辟生物工程技术途径，去发展人工智能；同时人工智能的发展，又将作为人工生命科学的重要支柱和推动力量。可以预言:人工智能的研究成果将能够创造出更多更高级的智能“制品”，并使之在越来越多的领域超越人类智能；人工智能将为发展国民经济和改善人类生活作出更大贡献。
二、电子商务中应用人工智能技术
人工智能就是设计和开发出各种计算机程序来模拟人的思维结构、推理和求解问题的行为。由于人工智能的研究范围十分广泛，对电子商务也有多方面的影响。
1.数据仓库
数据仓库是把分布在网络中不同信息孤岛上的数据集成到一起，存储在一个单一的集成关系型数据库中。利用这种集成信息，用户可以方便地对信息进行访问，还可以使决策人员对一段时间内的历史数据进行分析、研究，以获得事物发展的趋势。
数据仓库有两大优点：一是不必重新编制输入（事务）处理系统就能够建立一个结构化的环境，将输出（决策支持）处理移入新环境（数据仓库）中；二是数据仓库建立概念模式（逻辑数据模型）、内部模式（历史文件）和外部模式（数据仓库）的三模式环境。其中历史文件中的“多对多”（mn）维护关系可以简化为三模式环境下的多个“一对多”（m*n）关系。
2.数据挖掘与知识发现
数据挖掘（DM. Data Mining）和数据库知识发现（KDD. Kwowledge Discovery in Data base）是随着数据库技术、人工智能技术和网络技术的发展而提名的。尤其是随着电子商务的开展，信息总量不断增加，更迫切地需要有效的信息分析工具，以便能发现大量商业数据间隐藏的依赖关系，从而抽取有用的信息或知识，指导商业决策。过去只有简单的数据统计技术，还未达到成为智能数据分析工具。因此，在数据生成和数据理解之间还存在很大的差距。DM和KDD就是一种新型的数据分析技术，旨在从大型数据库中提取隐藏的预测性信息，构建高校的数据仓库，发掘数据间潜在的模式，以便于用理解和观察的形式反映给用户，从而为企业做出前瞻的，基于知识的决策参考意见。
DM与KDD需要解决的问题有：超大规模数据库和高维数据；数据丢失；变化中的数据和知识；模式的易懂性；非标准格式数据；多媒体数据以及面向对象数据的处理；与其他系统的集成；网络与分布式环境下的KDD问题等。
DM与KDD的区别是：KDD是一个综合的过程，包括实验记录，叠代求解，用户交互以及许多定制要求和决策设计等，而DM只是KDD中的一个具体但又是关键的步骤。当然，它们都对数据仓库进行有效利用的技术手段。
3.生物认证技术
目前，许多磁卡、存单大都是用密码来进行安全保障的，一旦密码泄漏，也就不安全了。
在电子商务中，电子货币将得到急速的发展，对安全水平的要求也相应提高，从而带动了人工智能的一个分支领域――生物认证技术的研究与开发。
生物认证技术是指利用人体某一具有特征的部位，或个人的习惯，如指纹、掌纹、手形、网膜、虹膜、脸形、声纹及笔迹等来识别人们的身份的技术。这种识别技术与磁卡式的靠持有物认证的方法和密码式的靠知识认证的方法相比，具有极大的优越性，它不会丢失、被盗和被伪造。
生物认证技术作为一种准确、快速和高效的身份认证方法，正应用于如银行、海关、医疗保险、重要通道控制、信息网络安全等领域。这是一项集现代化生物科技与计算机科学相结合的高科技实用项目。微软公司宣布将把生物认证技术添加到自己的视窗操作系统中，这对这项新技术的发展将起到促进作用。
4.智能数据库信息检索
在电子商务平台应用实践中，如何根据用户的意图、兴趣和特点自适应地和智能化地从现有的客户信息、商品库存信息等大量数据信息中对信息进行相关性排列，调整匹配机制，以获得用户满意的检索输出，成为电子商务今后应用所面临的一个技术问题。
三、结束语
本文从人工智能技术和电子商务在国内外的发展动态、人工智能技术在电子商务中的应用实例，以及数据挖掘技术在Web上的应用几个方面对人工智能技术在电子商务中的应用进行了概括的论述。随着电子商务的不断发展和人工智能技术的不断完善，两者在各个领域、各个层次的相互融合将更加密切。作为各自的成功因素，电子商务和人工智能技术的融合必将成为一种关键技术。
参考文献:
[1]王桂森李向阳杨立东:我国电子商务发展的制约因素分析[J].商业研究,2007，04
[2]（加）韩家炜堪博著范明孟小峰译:数据挖掘概念与技术（原书第2版）[M].机械工业出版社，2007，03
网络安全与人工智能范文6
【关键词】大数据 人工智能 算法设计
1 大数据的发展概述
大数据指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合。大数据包括海量的数据信息与高强度的数据处理能力，大数据是相对于传统数据处理应用程序来说，不足以处理大型、复杂的数据集的新型处理模式，包括分析、捕获、数据整理、搜索、共享、存储、传输、可视化查询、更新和信息管理。大数据通常仅指使用预测分析、用户行为分析或某些其他高级数据的分析方法，这些方法从数据中提取价值，很少涉及特定大小的数据集。数据集分析可以发现新的联系与信息。科学家、企业高管、医学从业者、广告和政府都定期在互联网搜集大数据，这些数据在金融、城市信息学和商业信息学等领域更为重要。科学家在电子科学工作中遇到了很多需要处理海量数据的问题，涉及气象学、基因组学、复杂物理模拟、生物学和环境研究等。大数据包括文本、图像、音频、视频，它通过数据融合可以完成未来数据的机器学习，大数据通常是数字交互的无成本的产品。越来越成熟的概念更清楚地描述了大数据和人工智能之间的区别，人工智能使用具有高信息密度的数据的描述性统计来测量事物、检测趋势等。大数据使用归纳统计和来自非线性系统识别的概念，从具有低信息密度的大量数据集中推断出法则，例如回归、非线性关系和因果效应，以揭示关系和依赖性或者进行结果和行为的预测。
2 大数据技术中的算法分析
2.1 神经网络算法
神经网络系统是由众多的神经元可调的连接权值连接而成，具有大规模并行处理、分布式信息存储、良好的自组织自学习能力等特点。神经网络是一种计算方法，基于神经单元的大集合，解决由轴突连接的生物神经元的大群集的问题。 每个神经单元与许多其他神经单元连接，并且可以对所连接的神经单元的激活状态影响中实施抑制。每个单独的神经单元可以具有将所有其输入的值组合在一起的求和功能。在每个连接和单元本身上可以存在阈值函数或限制函数，使得信号在传播到其他神经元之前必须超过极限。这些系统是自学习和训练的，而不是明确编程的，并且在传统计算机程序中难以表达的，这种方案在特征检测领域中效果很好。神经网络的目标是以与人类大脑相同的方式解决问题，现代神经网络项目通常使用几千到几百f个神经单元和数百万的连接， 这比人类大脑的复杂性还要少几个数量级，更接近于蠕虫的计算能力。 为了训练它们，通常发生几千次交互循环。 神经网络已被用于解决使用普通的基于规则的编程难以解决的各种各样的任务，如智能化学习。历史上，神经网络模型的使用向高级人工智能的方向移动，其特征在于包含在具有一些动力系统的认知模型的参数中的知识。
2.2 灰色关联度分析
灰色关联分析方法，是根据因素之间发展趋势的相似或相异程度，来进行归纳和评价，作为衡量因素间关联程度的一种方法。灰色关联度分析使用特定的信息概念。它定义没有信息为黑色的情况以及具有完美信息为白色的情况，这些理想化的情况都不会出现在现实世界的问题中。事实上，这些过渡阶段的情况被描述为灰色。因此，灰色系统意味着其中部分信息是已知的并且部分信息是未知的系统。根据这个定义，信息质量形成从信息的缺乏到完整信息的存在过渡过程。由于不确定性总是存在，灰色分析可以得出一系列关于解决方案的清晰陈述。在一个极端情况下，这种方案无解，在另一个极端情况下，具有完美信息的系统具有独特的解决方案。在中间情况中，灰色系统将给出各种优化的解决方案。灰色分析试图找到最好的解决方案，提供了确定一个好的解决方案的技术来解决现实世界的问题。
3 大数据平台的设计
3.1 平台层
大数据分布式存储系统：研究大规模、非结构化数据的存储问题，突破大数据的存储、管理和高效访问关键技术，当前需要构建至少 PB 级存储能力的大数据平台才能满足一般的科研和应用需求。
分布式数据挖掘运行时系统：突破 MapReduce 技术的局限，研究有效支持迭代、递归、层次及集成机制的海量数据挖掘编程模型和运行时系统，构建大数据运行时系统。
3.2 功能层
高可扩展性大数据挖掘算法：基于云计算的分布式大数据处理与挖掘算法，构建高可扩展的大数据处理与挖掘算法库，实现 TB 级数据的建模能力。
分布式工作流引擎：基于云计算的分布式工作流调度、负载均衡技术，构建高效分布式工作流执行引擎。
交互式可视化分析技术：启发式、人机交互、可视化数据挖掘新技术，实现大数据挖掘的高度人机交互功能。
3.3 服务层
基于 Web 的大数据挖掘技术：Web 的大数据挖掘方法和流程，实现易于使用的基于 Web 的大数据挖掘技术，构建基于 Web 的大数据分析环境。
基于Open API 的大数据挖掘技术：Open API 的大数据挖掘方法，研究大数据挖掘开放接口、开放流程，构建基于 Open API 的大数据分析模式。
4 大数据算法的应用分析
4.1 数据挖掘
数据挖掘是发现大数据数据规律的计算过程，涉及人工智能、机器学习、统计和数据库系统结合的方法，它是一个跨学科的计算机科学子领域。数据挖掘过程的总体目标是从数据集中提取信息并将其转换为可以理解的结构以供进一步使用。除了原始数据分析外，它涉及数据库和数据管理方面、数据预处理、模型和推理、复杂性考虑、结构整合处理、可视化和在线更新。数据挖掘是一个热门的领域，并且经常应用于各种形式的大规模数据或信息处理，主要包括收集、提取、存储、分析和统计以及计算机决策支持系统的应用，包括人工智能、机器学习和商业智能。实际的数据挖掘任务是大量数据的自动或半自动分析，从而提取先前未知的数据存在模式，例如聚类分析、异常数据检测和关联规则挖掘、顺序模式分析等，这通常涉及使用诸如数据索引的数据库技术。数据收集、数据准备或结果解释和报告都不是数据挖掘步骤的一部分，但是作为附加步骤属于整个数据挖掘过程。数据挖掘、数据捕获和数据窥探是指使用数据挖掘方法对较大数据集的部分进行抽样分析。虽然这些数据集太小，不足以进行可靠的统计推断以得出更多有价值的信息。然而，这些方法可以用于创建新的假设，以测试更大的数据群体。
4.2 机器学习
机器学习是计算机科学的子领域，它使计算机能够学习而不用明确编程。从模式识别和计算学习理论在人工智能的研究演变而来，机器学习探索学习对数据进行预测算法的研究和构建，这样的算法克服了严格的静态程序指令数据驱动的预测或决策，通过从样本输入来建立一个模型。机器学习在一系列计算任务中使用，其中有着明确算法的设计和编程是不可行的，比如垃圾邮件过滤、检测网络入侵者或恶意内部人员、光学字符识别、搜索引擎和计算机视觉，这些方面都没有明确的算法表示。机器学习与计算统计密切相关，并且经常与计算统计重叠，计算统计也集中在通过使用计算机的预测中。它与数学优化有着紧密的联系，它将方法、理论和应用领域传递到现场。机器学习有时与数据挖掘相结合，后者的子领域更侧重于探索性数据分析。机器学习也可以是全自动化的，用来学习和建立各种实体的行为预测，然后用于发现有价值的异常情况。在数据分析领域，机器学习是一种用于设计适合预测的复杂模型和算法的方法，在商业应用中，这被称为预测分析。这些分析模型允许研究人员、数据科学家、工程师和分析师通过学习数据中的历史关系和趋势来产生可靠的、可重复的决策和结果并揭示隐藏的规律。
5 总结与展望
大数据技术算法的创新是一条光明而曲折的路，在这条路上会出现很多难题与挑战，这个任务长期而又艰巨，需要结合实际经验，不断地进行总结归纳。为实现自身的长远发展而进行大胆革新，利用创新思维进行现代化建设，从而大踏步地走向智能化的大稻莘⒄鼓勘辍
参考文献
[1]陈晓，赵晶玲.大数据处理中混合型聚类算法的研究与实现[J].信息网络安全，2015（04）.
[2]杨婷婷，林昌露，刘忆宁，张胜元.基于多方排序协议的安全电子投票方案[J].计算机系统应用，2015（08）.
[3]文坤，廖瑛，杨雅君.带有空间机械臂的航天器系统惯性参数辨识[J].飞行器测控学报，2015（04）.
[4]何锋，谷锁林，陈彦辉.基于编辑距离相似度的文本校验技术研究与应用[J].飞行器测控学报，2015（04）.
[5]黄冬梅，杜艳玲，贺琪.混合云存储中海洋大数据迁移算法的研究[J].计算机研究与发展，2014（01）.
[6]孔凡新，刘丽.云环境下的隐私保护密文排序查询[J].计算机工程与设计，2014（01）.
[7]何清，李宁，罗文娟，史忠植.大数据下的机器学习算法综述[J].模式识别与人工智能，2014（04）.
[8]程芳权，彭智勇，宋伟，王书林，崔一辉.云环境下一种隐私保护的高效密文排序查询方法[J].计算机学报，2012（11）.
[9]王茜，杨正宽.一种基于加权KNN的大数据集下离群检测算法[J].计算机科学，2011（10）.
[10]陈书让.超大数据量的快速排序法[J]. 物探化探计算技术，2000（04）.
作者简介
李跃（1979-），男，黑龙江省大庆市人。研究生学历。现为大庆师范学院讲师。
